使用 Go 的并发特性来并行化一个 Web 爬虫
18 Oct 2017爬虫基本原理
爬虫程序从一个网页开始,获取它的内容之后,找到其中的URL,又继续抓取该URL的内容,继续找URL,再继续抓取它的内容。 需要考虑两个问题:
- 一个URL 和另一个URL 可能形成环路,爬虫需要判断某个URL是否是第二次被抓取
- 考虑效率,需要并行抓取URL
以下代码模拟了爬虫的基本过程,省略了从网页中解析出URL的过程
代码实现
package main
import (
"fmt"
"sync"
)
type SafeMap struct{
v map[string]bool
sync.Mutex
}
var safemap = SafeMap{
v:make(map[string]bool),
}
type Fetcher interface {
// Fetch 返回 URL 的 body 内容,并且将在这个页面上找到的 URL 放到一个 slice 中。
Fetch(url string) (body string, urls []string, err error)
}
// Crawl 使用 fetcher 从某个 URL 开始递归的爬取页面,直到达到最大深度。
// sync.WaitGroup 是结构体,必须传指针,否则会死锁
func Crawl(url string, depth int, fetcher Fetcher, waitgroup *sync.WaitGroup) {
defer waitgroup.Done()
if depth <= 0 {
return
}
safemap.Lock()
if isfetch := safemap.v[url]; isfetch {
fmt.Println(url," is fetched")
// 此处容易忘记解锁
safemap.Unlock()
return
} else {
safemap.v[url] = true
safemap.Unlock()
}
body, urls, err := fetcher.Fetch(url)
if err != nil {
fmt.Println(err)
return
}
fmt.Printf("found: %s %q\n", url, body)
wg := sync.WaitGroup{}
for _, u := range urls {
wg.Add(1)
go Crawl(u, depth-1, fetcher, &wg)
}
wg.Wait()
return
}
func main() {
wg := sync.WaitGroup{}
wg.Add(1)
go Crawl("http://golang.org/", 4, fetcher, &wg)
wg.Wait()
}
// fakeFetcher 是返回若干结果的 Fetcher。
type fakeFetcher map[string]*fakeResult
type fakeResult struct {
body string
urls []string
}
func (f fakeFetcher) Fetch(url string) (string, []string, error) {
if res, ok := f[url]; ok {
return res.body, res.urls, nil
}
return "", nil, fmt.Errorf("not found: %s", url)
}
// fetcher 是填充后的 fakeFetcher。
var fetcher = fakeFetcher{
"http://golang.org/": &fakeResult{
"The Go Programming Language",
[]string{
"http://golang.org/pkg/",
"http://golang.org/cmd/",
},
},
"http://golang.org/pkg/": &fakeResult{
"Packages",
[]string{
"http://golang.org/",
"http://golang.org/cmd/",
"http://golang.org/pkg/fmt/",
"http://golang.org/pkg/os/",
},
},
"http://golang.org/pkg/fmt/": &fakeResult{
"Package fmt",
[]string{
"http://golang.org/",
"http://golang.org/pkg/",
},
},
"http://golang.org/pkg/os/": &fakeResult{
"Package os",
[]string{
"http://golang.org/",
"http://golang.org/pkg/",
},
},
}
程序运行结果
found: http://golang.org/ "The Go Programming Language"
not found: http://golang.org/cmd/
found: http://golang.org/pkg/ "Packages"
http://golang.org/cmd/ is fetched
found: http://golang.org/pkg/fmt/ "Package fmt"
http://golang.org/ is fetched
http://golang.org/pkg/ is fetched
found: http://golang.org/pkg/os/ "Package os"
http://golang.org/pkg/ is fetched
http://golang.org/ is fetched
http://golang.org/ is fetched